Poursuite multicible multicapteur à l'aide de réseaux neuronaux : application à la poursuite de cibles aériennes

Multisensor multitarget tracking with neural networks : application to radar tracking

• Auteur / Autrice : Valérie Schmidlin
• Direction : Gérard Favier
• Type : Thèse de doctorat
• Discipline(s) : Sciences de l'ingénieur
• Date : Soutenance en 1994
• Etablissement(s) : Nice
• Partenaire(s) de recherche : Autre partenaire : Université de Nice-Sophia Antipolis. Faculté des sciences
• Jury : Président / Présidente : Pierre-Yves Arquès
• Jury : Examinateurs / Examinatrices : Michel Artaud, Philippe Collard, Bernard Tomasini
• Jury : Rapporteurs / Rapporteuses : Francis Castanié, Michel Gauvrit

Mots clés

Mots clés contrôlés

Théorie de Dempster-Shafer

Reconnaissance des formes (informatique)

Optimisation mathématique

Radar

Fusion multicapteurs

Réseaux neuronaux (informatique)

Mots clés libres

Sciences appliquées

Recherche opérationnelle, gestion

Poursuite

Cible multiple

Radar

Réseau neuronal

Optimisation

Reconnaissance forme

Capteur multiple

Fusion donnée

Théorie évidence

Résumé

Le problème que nous cherchons à résoudre est celui de la poursuite multicible multicapteur, ou plusieurs capteurs observent une même région de l'espace aérien, dans laquelle évolue un nombre inconnu de cibles. Grâce à l'information fournie par les capteurs, et a des traitements appropries, on cherche à détecter et à localiser ces cibles, puis à suivre leur évolution, si possible en temps réel. Ces capteurs sont organisés dans une architecture décentralisée, ce qui pose essentiellement deux problèmes : le premier est connu sous le terme de pistage, de poursuite ou d'association plot/piste, et le second par la fusion multicapteur. L'outil que nous avons retenu pour résoudre ces deux problèmes est l'approche neuronale. Le pistage consiste à corréler les plots (présence instantanée détectée par un capteur, et pouvant provenir d'une cible ou d'une fausse-alarme), aux pistes (succession spatio-temporelle de plots, attribuée à une cible). Dans ce cadre, tout d'abord étudie les méthodes de traitement du signal couramment utilisées dans le domaine, puis mis au point une méthode d'optimisation neuronale originale, chargée de décider des associations plot/piste à effectuer. La fusion multicapteur, quant à elle, cherche à fusionner les pistes monocapteurs obtenues grâce au pistage précédent, en des pistes multicapteurs, donc contenant une information plus riche et plus sure. A cette fin, nous avons développé une solution neuronale, basée sur une technique de reconnaissance de trajectoires. Ce réseau associe, à chaque piste monocapteur, un ensemble de trajectoires prototypes, caractérisant la cinématique de la cible. Des lors, au niveau central, on fusionne les pistes qui ont des prototypes en commun, donc des cinématiques proches. Pour obtenir la piste fusionnée, on combine l'ensemble de ces prototypes, grâce à des opérateurs de fusion, à l'aide d'un opérateur de type moyenne, ou d'un operateur basé sur la théorie de l'évidence

The problem we are trying to solve is the multitarget tracking one. This word is related to the following situation: different sensors observe the same part of an aerial space, in which an unknown number of targets is moving. Thanks to the information provided by the sensors, and with adequate treatments, we want to detect and locate these targets, then follow their spatial evolution, in real time if possible. The sensors are organized in a distributed architecture, implying essentially two issues: the first one is known as « tracking » or « plot/track association », and the second one refers to « multisensor fusion ». The tool chosen to solve these problems is the neural network approach. Tracking consists in correlating plots (spatio-temporal instantaneous detection, coming from one target or from false-alarm) to tracks (spatio-temporal succession of plots, assigned to a taget). In this view, in the one hand, we studied classical signal processing techniques, usaly uses in this topic: Nearest-Neighbor methods, Maximum likelihood method, Multiple Hypotheses Filter, probabilistic Data Association Filters (PDA and JPDA), and on the other hand, we developed an original neural-based optimization method, deciding the plot/track associations to perform. Multisensor fusion, as for that matter, tends to fuse monosensor tracks obtained with the preceeding tracking, in multisensor tracks, then containing a richer and surer information. To this end, we developed a neural solution, based on a trajectory recognition technique. This network assigns to each monosensor track, a set of prototype-tracks, characterizing the cinematic behavior of the targets. Then, at the fusion center level, we fuse tracks when they share prototypes, wich means when they have similar cinematic bahvior. In order to obtain the fused track, we combine the shared prototypes thanks to fusion operators. We elaborated two types of opertors: an average operator, and a Dempster-Shafer based operator